• 통계이론: 일변량 및 다변량분포이론, 다변수간 상호의존성 모델링
- • 확률이론: 다양한 확률모형, 일변량 및 다변량 확률과정 모델링 및 분석
- • 산업통계: 신뢰성 고장 및 수명 예측, 시스템 유지/보수 및 워런티 정책, 배터리 열화과정 모델링 및 수명예측
- • 생존분석: 새로운 확률 및 확률과정 모형을 이용한 생존모형개발
- • 보험통계: 일변량 및 다변량 수명분포기반 생명보험 모형 연구, 다양한 확률이론을 적용한 손해보험 모형 연구
- • 응용확률: 고급 확률모형이 적용될 수 있는 다양한 응용 모델 연구
- [최근 우리 연구실의 관심 연구주제]
- • 통계모형기반 머신러닝을 위한 다변량 분포모형 개발
- 통계적 모형에 기반한 지도형·비지도형 기계학습 (Supervised, Unsupdervised Machine Learning) 방법론의 궁극적인 목적은 Output variable y 와 Input variable (x1, …, xk)의 관계를 설명하기 위하여 (x1, …, xk)가 주어졌을 때 y의 조건부 분포인 p(y|x1, …, xk)를 실제 조건부 분포에 가장 근사하도록 추정하는 것이라 할 수 있다. 이러한 방법론을 구현하기 위해서 전통적인 통계적 접근 방법에서는 y가 주어졌을 때 (x1, …, xk)의 조건부 결합분포 f(x1, …, xk|y)를 실제와 가깝게 모델링하고 이를 y의 분포와 결합하여 최종적으로 y의 조건부 분포인 p(y|x1, …, xk)를 산출하는 방식을 따른다. 따라서 조건부 결합분포 f(x1, …, xk|y)를 실제와 가깝게 잘 모델링 하는 것이 구축된 모형의 예측력을 높이는데 있어서 가장 핵심적인 요소라 할 수 있다. 본 연구실에서는 다변량 정규분포를 대체할 수 있는 다양한